На правах рукописи

Сенюкова Ольга Викторовна

Разработка алгоритмов семантической

сегментации и классификации биомедицинских

сигналов низкой размерности на основе

машинного обучения

Специальность 05.13.11 – математическое и программное обеспечение

вычислительных машин, комплексов и компьютерных сетей

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата физико-математических наук

Москва – 2012

Работа выполнена на кафедре автоматизации систем вычислительных комплексов факультета вычислительной математики и кибернетики Московского государственного университета имени М.В. Ломоносова.

кандидат физико-математических наук,

Научный руководитель:

доцент Баяковский Юрий Матвеевич доктор физико-математических наук,

Официальные оппоненты:

профессор Рычагов Михаил Николаевич кандидат физико-математических наук, доцент Галатенко Владимир Владимирович Институт прикладной математики

Ведущая организация:

имени М.В. Келдыша Российской акаде­ мии наук

Защита состоится 19 октября 2012 г. в 11 часов на заседании диссертаци­ онного совета Д 501.001.44 при факультете вычислительной математики и кибернетики Московского государственного университета имени М.В. Ломо­ носова по адресу: 119991, ГСП-1, Москва, Ленинские горы, 2-й учебный кор­ пус, факультет ВМК, аудитория 685. Желающие присутствовать на заседа­ нии диссертационного совета должны сообщить об этом за два дня по тел.

(495)939-30-10 (для оформления заявки на пропуск).

С диссертацией можно ознакомиться в Фундаментальной библиотеке МГУ имени М.В. Ломоносова. С текстом автореферата можно ознакомиться на http://cs.msu.ru официальном сайте ВМК МГУ в разделе «Наука» – «Ра­ бота диссертационных советов» – «Д 501.001.44».

Автореферат разослан « » сентября 2012 г.

Заместитель председателя диссертационного совета, профессор В.М. Круглов

Общая характеристика работы

Объект исследования и актуальность работы Алгоритмы автоматического анализа сигналов постепенно внедряются во всевозможные области человеческой деятельности, в частности, медицину и биологию. В настоящее время существуют алгоритмы, способные класси­ фицировать данные и распознавать объекты на изображениях. В биомеди­ цинских приложениях это находит применение для автоматизации процесса описания данных и предварительной диагностики, что особенно актуально при больших объемах данных и сложности визуального анализа самих дан­ ных. Рост вычислительных мощностей способствует появлению более точных алгоритмов.

В рамках диссертационной работы рассматриваются биомедицинские сиг­ налы низкой размерности — двумерные изображения и одномерные сигналы.

Существующие биомедицинские технологии позволяют получать доста­ точно качественные изображения внутренних органов в виде трехмерных изображений или набора последовательных двумерных срезов. Одна из ак­ туальных задач, связанных с обработкой полученных таким образом изобра­ жений, — семантическая сегментация, т.е. выделение на изображениях объ­ ектов, относящихся к заданному классу. Это могут быть, например, задачи сегментации изображений на анатомические структуры, выделения патоло­ гических образований.

В задаче сегментации изображения участка тела на анатомические струк­ туры может использоваться атлас – набор изображений усредненной модели участка тела с анатомической разметкой. Но при этом необходимо учиты­ вать индивидуальные особенности субъекта и трансформировать разметку из атласа в соответствии с этими особенностями.

Задача выделения патологических образований характерна тем, что для патологии сложнее построить модель. Все существующие атласы описывают здоровые органы и ткани. Патологические образования могут сильно варьи­ роваться по форме и другим характеристикам, и зачастую нельзя сказать ничего конкретного об их местоположении и взаимном расположении.

Задачи, связанные с обработкой одномерных сигналов, возникают, в част­ ности, в кардиологии и включают в себя классификацию данных на случай здорового пациента и случаи различных заболеваний, а также индикацию различных физиологических состояний.

Большинство существующих алгоритмов используют машинное обуче­ ние. Но для обучения классификаторов обычно необходимы большие обучаю­ щие базы, которые требуют тщательной разметки экспертом. Особенно тру­ доемким этот процесс оказывается при разметке изображений. Кроме того, в некоторых задачах получение большого объема самих данных для обучаю­ щей базы либо невозможно, либо сопряжено с существенными трудностями.

В диссертационной работе предложены новые алгоритмы семантической сегментации и классификации, основанные на машинном обучении, которые упрощают обучение классификатора либо за счет введения новой эффектив­ ной процедуры разметки обучающей базы, либо за счет возможности обу­ чения по одному прецеденту. Разработанные алгоритмы были применены к конкретным биомедицинским задачам и продемонстрировали точность либо выше аналогов, либо сравнимую с аналогами. Эти алгоритмы также приме­ нимы и к другим задачам обработки изображений.

Цель диссертационной работы Целью диссертационной работы является разработка и программная ре­ ализация алгоритмов семантической сегментации и классификации биомеди­ цинских сигналов низкой размерности.

Научная новизна Разработанный в рамках диссертации алгоритм выделения на изображе­ ниях однородных объектов с нечеткими границами и похожими характери­ стиками, основанный на классификации изолиний функции интенсивности, является новым и превосходит аналоги по точности в рамках поставленной задачи.

Алгоритм разбиения изображений на заданный набор областей, неодно­ родных по интенсивности, является новым. В отличие от аналогов, он может работать при наличии единственного обучающего размеченного изображения за счет введения нового метода расчета априорной пространственной инфор­ мации и демонстрирует точность, сравнимую с аналогами для похожих задач.

Алгоритм классификации с обучением по одному прецеденту основан на новом методе “декомпозиции ансамблей классификаторов”. В отличие от су­ ществующих алгоритмов классификации с обучением по одному прецеденту, алгоритм не требует наличия классификаторов для других классов, постро­ енных по полноценным обучающим базам, а требует лишь наличие обобщен­ ного двухклассового классификатора. В рамках поставленной медицинской задачи алгоритм превосходит аналоги по точности.

Практическая значимость Предложенный алгоритм выделения на изображениях однородных объ­ ектов с нечеткими границами и похожими характеристиками позволяет выде­ лять широкий класс патологических образований на медицинских изображе­ ниях. Процедура разметки обучающей базы является более быстрой и удоб­ ной, чем у аналогов: вместо попиксельной ручной разметки необходимо среди автоматически построенных изолиний функции интенсивности указать те из них, которые являются границами искомых объектов. Программная систе­ ма, разработанная на основе построенного алгоритма, используется в НИИ Неотложной Детской Хирургии и Травматологии (НИИ НДХиТ).

Разработанный алгоритм разбиения изображений на заданный набор об­ ластей, неоднородных по интенсивности, может применяться для сегмента­ ции изображений гистологических срезов на анатомические структуры, так как он устойчив к перепадам интенсивности между соседними пикселями внутри областей. Алгоритм может работать при наличии единственного обу­ чающего размеченного изображения. Это чрезвычайно важно для экспери­ ментов, где процесс получения и обработки данных представляется особенно трудоемким, например, получение изображений гистологических срезов моз­ га мыши. Разработка алгоритма проводилась совместно с НИИ Нормальной Физиологии имени П.К. Анохина (НИИ НФ).

Разработанный алгоритм классификации с обучением по одному преце­ денту при наличии обобщенного двухклассового классификатора может ис­ пользоваться для классификации данных на подклассы этих двух классов.

Например, если имеется классификатор “больной/здоровый”, построенный по кардиоинтервалограммам и являющийся ансамблем классификаторов, то на базе него можно построить классификатор для конкретного заболевания или физиологического состояния по одному обучающему примеру. Это осо­ бенно актуально для задач определения редких заболеваний и конкретных физиологических состояний, для которых трудно или невозможно подгото­ вить большую обучающую базу. Разработанный алгоритм планируется для использования прежде всего в профессиональном спорте, в частности, для определения состояний перетренировки и оптимального функционирования спортсмена.

Апробация работы Основные результаты диссертации докладывались и обсуждались на:

19-й международной конференции по компьютерной графике и зрению “GraphiCon’2009”, Россия, Москва, 2009;

12-й всероссийской научно-технической конференции “Нейроинформа­ тика-2010”, Россия, Москва, 2010;

20-й международной конференции по компьютерной графике и зрению “GraphiCon’2010”, Россия, Санкт-Петербург, 2010;

7-й международной научно-практической конференции по психологии спорта и физической культуры “Рудиковские чтения - 2011”, Москва, 21-й международной конференции по компьютерной графике и зрению “GraphiCon’2011”, Россия, Москва, 2011;

международном симпозиуме “Computational Models for Life Sciences” (CMLS-11), Япония, Тояма, 2011;

6-й международной конференции “Computational Intelligence and Bioinformatics” (CIB 2011), США, Питтсбург, 2011;

международной конференции “International Conference on Computer and Computational Intelligence” (ICCCI 2011), Таиланд, Бангкок, 2011;

семинаре лаборатории Компьютерной Графики и Мультимедиа факуль­ тета ВМиК МГУ под руководством доц. Ю.М. Баяковского;

семинаре кафедры Автоматизации Систем Вычислительных Комплек­ сов под руководством чл.-корр. РАН Л.Н. Королева;

международном симпозиуме “Нейроимиджинг и магнитоэнцефалогра­ фия: фундаментальные исследования и клиническая практика”, Россия, семинаре направления “Программирование” им. М.Р. Шура-Бура Ин­ ститута Прикладной Математики им. М.В. Келдыша.

семинаре Исследовательского центра Samsung Electronics Co., Ltd.

Публикации Автором опубликовано 18 научных работ, в том числе 12 по теме диссер­ тации: 2 статьи в рецензируемых журналах, рекомендованных ВАК [1–3], статей в сборниках трудов международных конференций [4–10], 1 статья в сборнике трудов всероссийской конференции [11], а также 2 тезисов доклада [12, 13].

Структура и объем диссертации Диссертация состоит из введения, 4 глав, заключения и библиографии.

Общий объем диссертации составляет 133 страницы, включая 34 рисунка.

Библиография включает 125 наименований.

Содержание работы Во введении обоснована актуальность диссертационной работы, сфор­ мулированы цели и задачи, аргументирована научная новизна исследований, показана практическая значимость полученных результатов. Описана струк­ тура диссертации.

В первой главе приводятся примеры биомедицинских сигналов низкой размерности и особенности их обработки. Дается обзор существующих алго­ ритмов сегментации биомедицинских изображений и классификации одно­ мерных медицинских сигналов.

Биомедицинские изображения – это обычно изображения внутренних ор­ ганов, полученные с помощью специальной аппаратуры, например, изображе­ ния магнитно-резонансной томографии, компьютерной томографии, гистоло­ гических срезов. Одномерные медицинские сигналы в основном используются в кардиологии. Множество работ посвящено автоматическому анализу кар­ диоинтервалограмм – временных рядов, представляющих собой график из­ менения длины интервалов между последующими сокращениями сердца с течением времени.

В настоящее время для решения задач семантической сегментации и классификации биомедицинских сигналов активно применяется машинное обучение. Общая постановка задачи машинного обучения заключается в сле­ описан с помощью набора признаков Вектор x называется вектор-признаком объекта Каждому объекту заданному своим вектор-признаком x, поставлена в соответствие метка класса Множество таких пар называется обучающей выборкой.

Требуется по обучающей выборке построить классификатор – алгоритм, класса В задаче семантической сегментации изображений происходит классифи­ кация пикселей. В вектор-признак пикселя могут входить его интенсивности на различных модальностях магнитно-резонансной томографии, если данные мультимодальные, а также расстояния до различных анатомических струк­ 1 De Boer R., Vrooman H. A., Van der Lijn F. et al. White matter lesion extension to automatic brain tissue segmentation on MRI // Neuroimage, 2009. Vol. 45, pp. 1151- тур, информация об окрестности пикселя, информация о симметрии и другие В задаче анализа кардиоинтервалограмм классифицируется весь иссле­ дуемый временной ряд. Алгоритмы, основанные на машинном обучении, в качестве признаков используют выходы различных линейных и нелинейных Во второй главе описываются разработанные алгоритмы семантиче­ ской сегментации и классификации.

В первом разделе описывается предложенный новый алгоритм вы­ деления на изображениях однородных объектов с нечеткими границами и похожими характеристиками.

Ключевой идеей алгоритма является построение изолиний функции ин­ тенсивности для некоторого диапазона интенсивностей, среди которых есть линии, являющиеся контурами искомых объектов. Изолиния уровня Контурами искомых объектов могут быть только замкнутые изолинии.

Для идентификации этих изолиний среди всех построенных замкнутых изоли­ ний используется двухклассовая классификация методом опорных векторов с нелинейным ядром, предложенным Б. Босером, И. Гийоном и В. Вапни­ ком в 1992 году. Метка класса может принимать одно из двух значений:

{+1, 1}. Метод основан на построении гиперплоскости, максимизирую­ щей отступ между элементами обоих классов из обучающей выборки (2):

не равны 0 только для опорных векторов – элементов жащих выпуклой оболочке одного из классов.

зисная функция (RBF):

2 Geremia E., Menze B. H., Clatz O. et al. Spatial decision forests for MS lesion segmentation in multi-channel MR images // Proceedings of MICCAI, 2010. Vol. 13, pp. 111- 3 Scully M., Anderson B., Lane T. et al. An Automated Method for Segmenting White Matter Lesions through Multi-level Morphometric Feature Classification with Application to Lupus // Frontiers in Human Neuroscience, 2010. Vol. 4, no. 4 Kampouraki A., Manis G., Nikou C. Heartbeat Time Series Classification With Support Vector Machines // IEEE Trans. on Information Technology in Biomedicine, 2009. Vol. 13, no. 4, pp. 512- 5 Jovic A., Bogunovic N. Classification of biological signals based on nonlinear features // Proceedings of MELECON, 2010. Pp. 1340- 6 Boser B. E., Guyon I. M., Vapnik V. N. A training algorithm for optimal margin classifiers // Proc. of the 5th Conference on Computational Learning Theory. 1992. Pp. 144– ков: морфологические признаки фигуры, ограниченной изолинией (площадь, компактность, периметр, эксцентриситет) и признаки области изображения, в которой находится изолиния, основанные на интенсивности (разность интен­ сивностей вдоль внешней и внутренней границ замкнутой изолинии, отноше­ ние средней интенсивности внутри замкнутой линии к средней интенсивности исследуемого региона).

При классификации методом опорных векторов используется линейная С целью повышения устойчивости алгоритма пользователем указывают­ ся прямоугольные регионы на изображении, которые содержат объекты ин­ тереса.

Во втором разделе приводится описание разработанного автоматиче­ ского алгоритма разбиения изображений на заданный набор областей, неод­ нородных по интенсивности, при наличии единственного обучающего разме­ ченного изображения.

Изображение, которое необходимо разметить, будем называть тестовым изображением. Размеченное изображение, по которому алгоритм будет обу­ чаться, назовем обучающим изображением.

По обучающему изображению строится многоклассовый классификатор рандомизированный решающий лес, который может присваивать пикселям метки областей. Для того чтобы алгоритм успешно справлялся с неоднород­ ностями областей и извлекал из них полезную информацию, обучающее и тестовое изображения разбиваются на суперпиксели (мелкие сегменты) с по­ мощью алгоритма сдвига среднего (mean shift). Для классификации пикселей используется два типа признаков: признаки суперпикселя, которому принад­ лежит пиксель, и априорная пространственная информация, для расчета которой используется новый метод.

Априорная пространственная информация – вектор априорных вероятно­ стей принадлежности пикселя исходя только из его местоположения:

где – это функция отображения пространства пикселей изображения в пространство меток областей. Предполагая, что обучающее и тестовое изоб­ ражение имеют похожую конфигурацию – одинаковый набор областей, распо­ ложение границ которых различается в определенных пределах, вероятности 7 Lampert C. H. Kernel Methods in Computer Vision // Foundations and Trends in Computer Graphics and Vision, 2009. Vol. 4, no. 3. Pp. 193- 8 Breiman L. Random Forests // Machine Learning. 2004. Vol. 45, no. 1. Pp. 5– 9 Sudakov S., Barinova O., Velizhev A., Konushin A. Semantic segmentation of road images based on cascade classifiers // Proceedings of ISPRS. 2008. Pp. 601–604.

можно рассчитать следующим образом:

центром в.

Из (6) следует, что если в окрестность пикселя входят несколько обла­ стей, то априорная вероятность принадлежности пикселя каждой из них рас­ пределяется поровну между этими областями. Благодаря этому результат сегментации становится ближе к требуемому результату и дальше от размет­ ки обучающего изображения, чем в случае распределения априорных веро­ ятностей между областями в зависимости от доли пикселей этих областей, попавших в окрестность.

Перед применением классификатора к тестовому изображению, оно под­ вергается процедуре предварительной обработки.

Для уточнения результата классификации с учетом взаимного располо­ жения пикселей вероятностный выход классификатора встраивается в Мар­ ковское случайное поле. Задача нахождения наиболее вероятного распреде­ ления меток областей на изображении сводится к задаче минимизации функ­ ционала энергии:

их метки областей.

Унарный член в (7) отвечает за меру соответствия пикселя каждой из областей:

где — вероятностный выход рандомизированного решающего леса.

Бинарный член в (7) отражает сходство меток классов соседних пиксе­ лей. В настоящей работе используется модель Поттса, где несовпадение меток классов соседних пикселей штрафуется константным значением 1:

В третьем разделе описан разработанный алгоритм классификации, который может работать при наличии единственного обучающего примера.

Алгоритм основан на новом методе “декомпозиции ансамблей классифи­ каторов”. Ансамбль классификаторов представляет собой набор некоторых двухклассовой классификации для отнесения прецедента +1 или 1, как правило, используется знак суммарного выхода ансамбля сов классификаторов (x):

Тем не менее, полезная информация о выходах каждой из составляющих (x) остается неиспользованной. Например, в случае алгоритма усиления ется экспертом в определенной области пространства признаков. Предложен­ ный метод “декомпозиции ансамблей классификаторов” позволяет учесть эту информацию.

После применения ансамбля классификаторов (обобщенного двухклас­ сового классификатора) к обучающему примеру некоторого класса можно построить вектор “декомпозиции ансамбля”, который можно рассматривать в качестве описания обучающего примера:

Для того чтобы классифицировать новый объект нить вектор декомпозиции ансамбля для этого тором декомпозиции ансамбля для обучающего ||1 0 ||2 <, где – пороговое значение, рассчитанное в ходе эксперимен­ тов, то объекты можно считать принадлежащими одному и тому же классу.

В диссертационной работе в качестве ансамбля классификаторов исполь­ зуется алгоритм усиления слабых классификаторов AdaBoost, где в роли сла­ бых классификаторов выступают индикаторы из нелинейной динамики – дет­ рендовый анализ флуктуаций и мультимасштабная энтропия.

В третьей главе дается экспериментальная оценка разработанных ал­ горитмов.

В первом разделе описывается тестирование предложенного алгорит­ ма выделения однородных объектов, который был применен к задаче выде­ ления очагов поражения головного мозга на изображениях магнитно-резо­ нансной томографии, предоставленных НИИ НДХиТ. На тех же данных для тех же регионов интереса предложенный алгоритм сравнивался с алгорит­ 10Hillary F. G., Biswal B. B. Automated Detection and Quantification of Brain Lesions in Acute Traumatic Brain Injury Using MRI // Brain Imaging and Behavior, 2009. Vol. 3, pp. 111- Результаты тестирования и сравнения приведены в таблице 1 и на рисун­ ке 1 а). Все показатели рассчитывались для изолиний/кластеров.

Таблица 1. Сравнение алгоритмов: ISODATA и ISOLINES (предложенный алгоритм).

Алгоритм Чувствительность Избирательность Мера сходства Дайса Как видно из рисунка 1 б), использовать для классификации изолинии лучше, чем края или регионы.

Рис. 1. Сравнение предложенного алгоритма (ISOLINES) c другими алгоритмами.

Во втором разделе приведено описание тестирования алгоритма раз­ биения изображений на заданный набор областей, который был применен к задаче сегментации гистологических срезов мозга мыши на анатомические структуры. Рассматривается 17 анатомических структур. Алгоритм был про­ тестирован на изображениях из Алленовского атласа мозга мыши http://mouse.brain-map.org/atlas/index.html на 10 парах соседних срезов. Раз­ Средняя попиксельная точность по всем анатомическим структурам про­ вышает 86%. Полученные результаты сопоставимы с результатами работы существующих алгоритмов сегментации мозга мыши. В частности, алгоритм Bae, 2009 демонстрирует точность порядка 80%.

Алгоритм также был протестирован на изображениях, предоставленных НИИ НФ. Результаты приведены на рисунке 2.

11Bae M., Pan R., Wu T., Badea A. Automated Segmentation of Mouse Brain Images Using Extended MRF // Neuroimage. 2009. Vol. 46, no. 3. Pp. 717– Рис. 2. Сравнение результатов работы предложенного алгоритма с ручной разметкой: а) автоматическая разметка; б) ручная разметка.

В третьем разделе приведено описание тестирования разработанного алгоритма классификации с обучением по одному прецеденту, который был применен к задаче классификации коротких временных промежутков кардио­ интервалограмм (около 15 минут). Для тестирования была использована база данных http://www.physionet.org/physiobank. В качестве обучающего приме­ ра использовались кардиоинтервалограммы пациентов с различными вида­ ми аритмии. Обобщенный классификатор “больной/здоровый” был обучен на данных от здоровых пациентов, пациентов с аритмией и застойной сердечной недостаточностью.

Как видно из рисунка 3, предложенный подход демонстрирует суще­ ственно лучшие результаты, чем индикаторы из нелинейной динамики в чи­ стом виде.

Рис. 3. ROC-кривые для предложенного метода (EDL) и индикаторов из нелинейной дина­ мики (SE – энтропия выборки, MSE – мультимасштабная энтропия, DFA – детрендовый анализ флуктуаций).

В пятой главе описывается программная реализация разработанных алгоритмов.

Разработанные программы могут использоваться на персональных ком­ пьютерах. Алгоритм выделения однородных объектов с нечеткими граница­ ми и похожими характеристиками реализован на языке C#. На базе предло­ женного алгоритма разработано интерактивное приложение. Алгоритм разби­ ения изображений на заданный набор областей, неоднородных по интенсив­ ности, при наличии единственного обучающего размеченного изображения реализован на языке C++. Алгоритм классификации данных с обучением по одному прецеденту реализован в среде MATLAB.

В заключении представлены основные результаты работы. Основные результаты работы состоят в следующем:

1. Разработан алгоритм выделения на изображениях однородных объек­ тов с нечеткими границами и похожими характеристиками. Алгоритм значительно упрощает процедуру разметки обучающей базы для клас­ сификатора. Показано превосходство над аналогами по точности в рам­ ках задачи выделения очагов поражения на изображениях МРТ мозга.

2. Разработан автоматический алгоритм разбиения изображений на задан­ ный набор областей, неоднородных по интенсивности. В отличие от ана­ логов, алгоритм работает при наличии единственного обучающего раз­ меченного изображения. Алгоритм применим к задачам сегментации изображений гистологических срезов.

3. Разработан алгоритм классификации с обучением по одному прецеден­ ту, который не требует наличия классификаторов для других классов.

Показано превосходство над аналогами по точности в рамках задачи классификации кардиоинтервалограмм.

4. Разработаны программы, реализующие предложенные алгоритмы.

Список публикаций 1. Senyukova O., Lukin A., Vetrov D. Automated Atlas-Based Segmentation of NISSL-Stained Mouse Brain Sections Using Supervised Learning // Program­ ming and Computer Software. 2011. Vol. 37, no. 5. Pp. 245–251.

2. Сенюкова О., Лукин А., Ветров Д. Автоматическая сегментация срезов мозга мыши, окрашенных по NISLL, основанная на обучении с учителем по разметке из атласа (перевод с английского языка статьи из Pro­ gramming and Computer Software) // Программирование. 2011. Vol. 5.

Pp. 39–48.

3. Сенюкова О., Галанин В. Выделение областей интереса на основе классификации изолиний // Программные продукты и системы. 2012.

Vol. 1. Pp. 54–58.

4. Сенюкова О. Визуализация данных об экспрессии генов на поверхности коры и гиппокампа мозга мыши // Труды конференции ГрафиКон. 2009.

Pp. 372–375.

5. Senyukova O., Lukin A., Vetrov D. Automated Atlas-Based Segmentation of Nissl-Stained Mouse Brain Slices // Proceedings of GraphiCon. 2010.

Pp. 92–96.

6. Senyukova O., Galanine V., Krylov A. et al. Diffuse Axonal Injury Lesion Seg­ mentation Using Contouring Algorithm // Proceedings of GraphiCon. 2011.

Pp. 84–87.

7. Gavrishchaka V., Senyukova O. Robust algorithmic detection of the devel­ oped cardiac pathologies and emerging or transient abnormalities from short periods of RR data // Proceedings of CMLS. Vol. 1371. 2011. Pp. 215–224.

8. Senyukova O., Gavrishchaka V. Ensemble decomposition learning for opti­ mal utilization of implicitly encoded knowledge in biomedical applications // Proceedings of CIB. 2011. Pp. 69–73.

9. Gavrishchaka V., Senyukova O., Koepke M., Kryuchkova A. Multi-objective physiological indicators based on complementary complexity measures: appli­ cation to early diagnostics and prediction of acute events // Proceedings of ICCCI. 2011. Pp. 95–106.

10. Senyukova O., Gavrishchaka V. Diagnostics of complex and rare abnormali­ ties using ensemble decomposition learning // Proceedings of ICCCI. 2011.

Pp. 19–26.

визуализация данных об экспресии генов в коре головного мозга и гиппокампе мозга мыши // Труды конференции Нейроинформатика.

Vol. 1. 2010. Pp. 249–257.

12. Gavrishchaka V., Senyukova O., Ulanova O., Monin A. Physiological meta-indicators for professional sports applications: express diagnostics, over­ training detection, and quantification of individual zones of optimal function­ ing // Proceedings of VII Int. scientific and practical conference for memory of P.Roudik. 2011. Pp. 5–7.

идентификации очагов диффузно-аксонального повреждения у больных исследования и клиническая практика”. 2012.